Hochdurchsatzchemie an der Schnittstelle zum maschinellen Lernen für moderne Lithium-Ionen-Batterien

• Antragstellerin: Dr. Janine Richter
• Fachliche Zuordnung: Festkörper- und Oberflächenchemie, Materialsynthese
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 555840337

Die Herausforderungen des Klimawandels erfordern eine rasche Umstellung der weltweiten Energieversorgung von fossilen auf erneuerbare Energieträger, was die Elektrifizierung zahlreicher Bereiche des gesellschaftlichen Lebens mit sich bringt. Der damit verbundene Anstieg der Nachfrage elektrischer Energie erfordert enorme elektrochemische Speicherkapazitäten. Die Entwicklung fortschrittlicher Batteriematerialien ist daher ein hochaktuelles Forschungsthema. Lithium-Ionen-Batterien (LIBs) stehen dabei im Vordergrund, da sie bereits kommerziell genutzt werden, aber dennoch ein großes Optimierungspotenzial aufweisen. Dieses Projekt befasst sich mit der Entwicklung von fortschrittlichen Kathodenmaterialien für LIBs durch die Anwendung moderner Hochdurchsatzchemie an der Schnittstelle zum maschinellen Lernen. In zwei vielversprechenden Systemen - LiCoPO4 (LCP) und Verbindungen mit ungeordneter Steinsalzstruktur (DRX) - sollen LIB-Kathodenmaterialien mit verbesserten Eigenschaften gefunden werden. Dies soll durch Dotierung mit Fremdmetallatomen erreicht werden, die sich als geeignet für die Optimierung von Materialeigenschaften erwiesen hat. Eine unbekannte Anzahl von unbekannten Dotierstoffen in unbekannten Verhältnissen stellt einen extrem großen Suchraum von mindestens zehntausenden zu synthetisierenden Materialien dar. Daher werden im Zuge dieser Untersuchungen halbautomatische Hochdurchsatzmethoden angewandt und entwickelt, die eine ressourceneffiziente Synthese einer Vielzahl von Verbindungen in kurzer Zeit ermöglichen. Die daraus resultierenden Datensätze von Charakterisierungsmethoden, wie z.B. Pulverröntgendiffraktometrie und verschiedene elektrochemische Techniken, dienen dann dem Training von Algorithmen des maschinellen Lernens (ML). Im Rahmen dieses Projekts sind zwei ML-Anwendungsmodi vorgesehen. Erstens soll erklärendes ML chemische Zusammenhänge zwischen der Materialzusammensetzung und den elektrochemischen Eigenschaften aufdecken. Weiterhin soll prädiktives ML für die gezielte Synthese von vielversprechenden Kathodenmaterialien eingesetzt werden. Dies soll sowohl zum chemischen Verständnis als auch zum effizienten Design fortschrittlicher LIBs beitragen. Die Anwendung von ML in der Chemie steht erst am Anfang. Es sind noch grundlegende Entwicklungen erforderlich, um das gesamte Potenzial zu erschließen. Die halbautomatische Hochdurchsatzchemie scheint ein dazu passender, vielversprechender Ansatz zu sein, der in Zukunft eine breite Anwendung in Forschungslaboren ermöglichen könnte. Dieses Projekt wird zur Entwicklung moderner digitaler und automatisierter Methoden in der chemischen Forschung beitragen, die dringend für nachhaltigere, zeit- und ressourceneffizientere Laborverfahren benötigt werden. Die Anwendung dieser Methoden auf LIB-Kathodenmaterialien ist ein hochrelevantes Gebiet, in dem neue Materialien wichtige Bausteine für globale Maßnahmen gegen den Klimawandel sein könnten.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: Kanada
• Gastgeber: Professor Eric McCalla, Ph.D.